AI za dinosaure

Sve što trebate znati o AI - za manje od 8 minuta.

Znati malo o svemu često je bolje nego imati jednu stručnu vještinu. To se posebno odnosi na ljude koji ulaze u raspravu na tržištima u nastajanju. Najznačajnije, tech.

Većina ljudi misli da znaju nešto o AI. Ali polje je toliko novo i raste tako brzo da trenutni stručnjaci svakodnevno probijaju nove temelje. Postoji toliko znanosti koja bi mogla otkriti da tehnolozi i kreatori politika iz drugih područja mogu brzo pridonijeti na polju AI.

To je to gdje dolazi ovaj članak. Moj cilj je bio stvoriti kratku referencu koja će tehnički pametne ljude ubrzati pomoću AI pojmova, jezika i tehnika. Nadamo se da ovaj tekst može razumjeti većina neradnika dok on služi kao referenca svima.

Uvod

Umjetna inteligencija (AI), duboko učenje i neuronske mreže izrazi su koji se koriste za opisivanje moćnih tehnika temeljenih na strojnom učenju koje mogu riješiti mnoge probleme iz stvarnog svijeta.

Iako je deduktivno zaključivanje, zaključivanje i odlučivanje usporedivo s ljudskim mozgom malo udaljeno, zabilježen je veliki broj nedavnih napretka u AI tehnikama i povezanim algoritmima. Posebno uz sve veću dostupnost velikih skupova podataka iz kojih AI može učiti.

Polje AI obuhvaća mnoga područja, uključujući matematiku, statistiku, teoriju vjerojatnosti, fiziku, obradu signala, strojno učenje, informatiku, psihologiju, lingvistiku i neuroznanost. Pitanja oko društvene odgovornosti i etike AI povlače paralele s mnogim granama filozofije.

Motivacija za daljnje napredovanje AI tehnika je da su rješenja potrebna za rješavanje problema s mnogim varijablama nevjerojatno komplicirana, teška za razumijevanje i nije ih lako ručno sastaviti.

Korporacije, istraživači i pojedinci sve se više oslanjaju na strojno učenje kako bi riješili probleme bez potrebe za sveobuhvatnim uputama za programiranje. Ovakav crni okvir za rješavanje problema je kritičan. Ljudski programeri smatraju sve složenijim i dugotrajnijim pisanje algoritama potrebnih za modeliranje i rješavanje velikih problema s podacima. Čak i kada sastavimo korisnu rutinu za obradu skupova velikih podataka, ona ima tendenciju izuzetno složenu, tešku za održavanje i nemoguću je adekvatno testirati.

Moderno strojno učenje i AI algoritmi, zajedno s ispravno promišljenim i pripremljenim podacima o treningu, mogu napraviti programiranje za nas.

Pregled

Inteligencija: sposobnost percepcije informacija i zadržavanje kao znanja koja se primjenjuje prema adaptivnom ponašanju u okruženju ili kontekstu.

Ova Wikipedijska definicija inteligencije može se primijeniti na organski mozak i na strojeve. Inteligencija ne podrazumijeva svijest, uobičajenu zabludu koju su širili pisci znanstvene fantastike.

Potražite primjere AI na internetu i vidjet ćete reference na IBM-ov Watson. Algoritam strojnog učenja koji je postao poznat pobjedom u TV kvizu Jeopardy 2011. godine. Od tada je preuređen i korišten kao predložak za raznoliku paletu komercijalnih aplikacija. Apple, Amazon i Google naporno rade na dobivanju sličnog sustava u našim domovima i džepovima.

Obrada prirodnog jezika i prepoznavanje govora bile su prve komercijalne primjene strojnog učenja. Pozorno slijede ostali automatizirani zadaci prepoznavanja (uzorak, tekst, zvuk, slika, video, lica,…). Paleta aplikacija raste i uključuje autonomna vozila, medicinske dijagnoze, igre, tražilice, filtriranje neželjene pošte, borbu protiv kriminala, marketing, robotiku, daljinsko istraživanje, računalni vid, transport, prepoznavanje glazbe, klasifikaciju ...

AI je postao toliko ugrađen u tehnologiju koju koristimo, mnogi ga sada ne vide kao "AI", već samo produžetak računanja. Pitajte nekoga na ulici da li imaju AI na svom telefonu i vjerovatno će reći ne. Ali AI algoritmi su ugrađeni svuda od prediktivnog teksta do sustava automatskog fokusiranja u kameri. Opće je mišljenje da AI tek treba stići. Ali to je sada ovdje i već je neko vrijeme.

AI je prilično generaliziran pojam. Fokus većine istraživanja je malo uže područje umjetnih neuronskih mreža i duboko učenje.

Kako funkcionira vaš mozak

Ljudski mozak je izvrsno računalo s ugljikom za koje se procjenjuje da izvodi milijardu milijardi izračuna u sekundi (1000 petaflopa), a pritom troši oko 20 W snage. Kineski superračunalo Tianhe-2 (kao vrijeme pisanja najbržeg na svijetu) upravlja sa samo 33.860 bilijuna izračuna u sekundi (33,86 petaflopa) i troši 17600000 vata (17,6 megavata). Imamo neki način prije nego što naše silicijske kreacije dođu do evolucijskih ugljikovih.

Precizan mehanizam koji mozak koristi za svoje razmišljanje spreman je za raspravu i daljnje proučavanje (sviđa mi se teorija da mozak koristi kvantne efekte, ali to je drugi članak). Međutim, unutarnje djelovanje često se modelira oko koncepta neurona i njihovih mreža. Smatra se da mozak sadrži oko 100 milijardi neurona.

Neuroni međusobno djeluju i komuniciraju putem koji omogućuju da se poruke prosljeđuju. Signali pojedinih neurona ponderiraju se i kombiniraju prije aktiviranja drugih neurona. Taj se proces poruka koja se prosljeđuje, kombinirajući i aktivirajući druge neurone ponavlja u više slojeva. Kroz 100 milijardi neurona u ljudskom mozgu, zbrajanje ove ponderirane kombinacije signala je složeno. A to je poprilično podcjenjivanje.

Ali to nije tako jednostavno. Svaki neuron primjenjuje funkciju ili transformaciju na svoje ponderirane ulaze prije testiranja je li dostignut prag aktivacije. Ova kombinacija faktora može biti linearna ili nelinearna.

Početni ulazni signali potječu iz različitih izvora ... našeg osjetila, unutarnjeg praćenja tjelesnih funkcija (razina kisika u krvi, sadržaj želuca ...). Pojedini neuron može primiti stotine tisuća ulaznih signala prije nego što odluči kako reagirati.

Razmišljanje ili obrada te rezultirajuće upute koje se daju našim mišićima su zbroj ulaznih signala i povratnih petlji u mnogim slojevima i ciklusima neuronske mreže. No, moždane se neuronske mreže također mijenjaju i ažuriraju, uključujući modifikacije količine ponderirane neurone. To je uzrokovano učenjem i iskustvom.

Ovaj model ljudskog mozga upotrijebljen je kao predložak kako bi se replicirale sposobnosti mozga unutar računalne simulacije ... umjetna neuronska mreža.

Umjetne neuronske mreže (ANN)

Umjetne neuronske mreže matematički su modeli nadahnuti i modelirani u biološkim neuronskim mrežama. ANN su u stanju modelirati i obrađivati ​​nelinearne odnose između ulaza i izlaza. Prilagodljivi utezi između umjetnih neurona podešavaju se algoritmom učenja koji čita promatrane podatke s ciljem poboljšanja rezultata.

Tehnike optimizacije koriste se kako bi se ANN rješenje što više približilo optimalnom rješenju. Ako je optimizacija uspješna, ANN može riješiti problem s visokim performansama.

ANN se modelira pomoću slojeva neurona. Struktura ovih slojeva poznata je kao arhitektura modela. Neuroni su pojedinačne računarske jedinice koje mogu primati unose i primjenjuju matematičku funkciju da odrede da li se poruke prosljeđuju.

U jednostavnom troslojnom modelu prvi sloj je ulazni sloj, nakon čega slijedi jedan skriveni sloj i izlazni sloj. Svaki sloj može sadržavati jedan ili više neurona.

Kako modeli postaju sve složeniji, s više slojeva i više neurona, povećavaju se njihove mogućnosti rješavanja problema. Ako je model prevelik za zadani problem, tada se model ne može učinkovito optimizirati. To je poznato kao prekomjerno opremanje.

Temeljna arhitektura modela i ugađanje glavni su elementi ANN tehnika, zajedno s algoritmima za čitanje u podacima. Sve komponente nose performanse modela.

Modele karakterizira funkcija aktiviranja. Koristi se za pretvaranje neuronovog ponderiranog ulaza u njegovu izlaznu aktivaciju. Postoji izbor transformacija koje se mogu koristiti kao funkcija aktiviranja.

ANN mogu biti izuzetno moćni. Iako je matematika nekoliko neurona jednostavna, cijela se mreža povećava i postaje složena. Zbog toga se ANN smatraju algoritmima „crne kutije“. Odabir ANN-a kao alata za rješavanje problema treba obaviti pažljivo, jer kasnije nije moguće poništiti postupak donošenja odluka u sustavu.

Fotografija Patricka Tomassa na Unsplash-u

Duboko učenje

Duboko učenje izraz je koji se koristi za opisivanje neuronskih mreža i povezanih algoritama koji troše neobrađene podatke. Podaci se obrađuju kroz slojeve modela da bi se izračunao ciljni izlaz.

Tehnike dubokog učenja izvrsno se nadvladavaju. Ispravno konfigurirana ANN može automatski prepoznati značajke u ulaznim podacima važnim za postizanje željenog izlaza. Tradicionalno teret smisla za ulazne podatke obično pada na programera koji gradi sustav. Međutim, u postavljanju dubokog učenja, model može prepoznati kako interpretirati podatke za postizanje smislenih rezultata. Jednom kada je optimiziran sustav osposobljen, računalne, memorijske i snage snage ovog modela su znatno smanjene.

Jednostavno rečeno, algoritmi učenja značajki omogućuju mašini da nauči za određeni zadatak koristeći dobro prilagođene podatke ... algoritmi uče kako naučiti.

Duboko učenje primijenjeno je na najrazličitije zadatke i smatra se jednom od inovativnih AI tehnika. Postoje dobro osmišljeni algoritmi pogodni za učenje pod nadzorom, bez nadzora i polukontrole.

Sjenačko učenje je pojam koji se koristi za opisivanje jednostavnijeg oblika dubinskog učenja, gdje izbor značajki podataka zahtijeva prethodnu obradu i dublje znanje od strane programera. Rezultirajući modeli mogu biti transparentniji i većih performansi, a na štetu povećanog vremena u fazi dizajna.

Sažetak

AI je moćno polje obrade podataka i može dati složene rezultate brže od tradicionalnog razvoja algoritama od strane programera. ANNs i tehnike dubokog učenja mogu riješiti raznolik niz teških problema. Loša strana je što su optimizirani modeli napravljeni u crnom okviru i nemoguće ih je poništiti od strane svojih kreativaca. To može dovesti do etičkih problema od kojih je transparentnost podataka važna.